Resposta direta: comecei a aplicar inteligência artificial em produção em 2011 — treze anos antes de o ChatGPT tornar o termo comum em qualquer reunião de diretoria — não porque eu tivesse visão de futuro, mas porque a pequena software house de tecnologia que eu tinha na época precisava resolver um problema concreto de atendimento ao cliente com o orçamento que uma empresa pequena tem. O ciclo de hype que a inteligência artificial vive agora não é o primeiro que vejo de perto em mais de 30 anos de carreira em tecnologia, e a lição que ele repete é sempre a mesma: quem começa pelo processo que dói aproveita a onda; quem começa pela ferramenta que todo mundo está comprando só participa dela.
Em 2011 não existia o termo “IA generativa”, não existia modelo de linguagem acessível a uma empresa pequena, e ninguém no mercado brasileiro chamava aquilo de “inteligência artificial” — chamava de “automação de atendimento” ou, na melhor das hipóteses, “assistente virtual”. O que construímos foi, em termos de hoje, um sistema de regras com processamento de linguagem natural limitado: reconhecia um conjunto definido de perguntas frequentes, dava respostas consistentes, escalava para um humano quando não reconhecia a pergunta. Não era inteligente no sentido que a palavra tem agora. Mas resolvia, com uma disciplina que ainda vejo faltar em muita empresa hoje: um processo nomeado, um dono, e uma métrica clara de quanto tempo de atendimento humano aquilo deveria liberar.
Principais aprendizados
- O primeiro projeto de IA que apliquei, em 2011, não usava esse nome — era automação de atendimento com processamento de linguagem limitado, mas já seguia a disciplina que ainda separa projeto de IA que funciona de projeto que não sai do papel: processo nomeado, dono definido, métrica clara antes de começar.
- Todo ciclo de hype de tecnologia que vivi — CRM no início dos anos 2000, mobile depois, cloud depois, e agora IA generativa — segue o mesmo roteiro: entusiasmo com orçamento fácil, decepção quando o resultado não aparece no prazo esperado, e só então adoção real por quem tratou a tecnologia como meio, não como fim.
- O que é genuinamente diferente desta vez é a barreira de entrada: em 2011, construir automação de atendimento exigia orçamento de projeto e equipe técnica dedicada; hoje, qualquer pessoa do time testa uma ferramenta de IA generativa sozinha, sem aprovação — o que muda o risco de “projeto que não sai do papel” para “ferramenta descontrolada usada sem governança”.
- O que não mudou entre 2011 e agora é o motivo mais comum de fracasso: não é a tecnologia estar imatura, é a empresa comprar a ferramenta antes de nomear o processo, o dono e a métrica que ela deveria melhorar.
- Quem pergunta “por onde eu começo com IA” está fazendo, sem saber, a mesma pergunta que eu tive que responder sozinha em 2011, sem framework, sem consultoria, sem case de mercado para copiar — a diferença é que hoje existe método testado para não repetir os mesmos erros.
O que eu construí em 2011 — e por que aquilo não tinha o nome de “IA” na época?
O sistema que construí resolvia um problema específico: uma equipe pequena de atendimento gastava a maior parte do tempo respondendo às mesmas quinze ou vinte perguntas, e isso a impedia de dar atenção aos casos que realmente exigiam julgamento humano. A automação não substituía a pessoa — reconhecia o padrão da pergunta repetitiva, respondia com consistência e liberava a equipe para o que exigia decisão. Não era “inteligente” no sentido que a IA generativa tem hoje, capaz de responder qualquer pergunta em linguagem natural sem regra pré-programada. Era, na linguagem atual, uma automação baseada em regras com reconhecimento limitado de linguagem — mas resolvia o processo que doía, com uma métrica clara: quanto tempo de atendimento humano aquilo deveria liberar por semana.
Esse é o ponto que costuma se perder na conversa sobre “quem começou primeiro” ou “quem é mais inovador”: a tecnologia específica usada em 2011 está tecnicamente obsoleta. O critério de decisão por trás dela não está — é o mesmo que hoje separa uma empresa que tira resultado real de IA generativa de uma que só usa IA “aos pedaços” sem nunca ver receita nova: nomear o processo antes da ferramenta, não o contrário.
O que os ciclos de hype de tecnologia têm em comum, de 2011 até agora?
Em mais de 30 anos de carreira em tecnologia, vi esse roteiro se repetir com nomes diferentes: CRM no início dos anos 2000, depois mobile, depois cloud, agora IA generativa e agentes autônomos. O roteiro tem três fases previsíveis. Na primeira, o entusiasmo chega antes da disciplina — orçamento é aprovado com facilidade, porque “todo mundo está fazendo isso” já é justificativa suficiente para o comitê executivo. Na segunda, a decepção aparece quando o resultado prometido não chega no prazo esperado, porque a maioria dos projetos começou pela ferramenta e não pelo processo. Na terceira — a que menos empresas alcançam — a adoção real se consolida, mas só entre quem tratou a tecnologia como meio para resolver um problema nomeado, não como fim em si mesma.
A inteligência artificial de hoje está, para a maioria das empresas brasileiras de médio porte, ainda na segunda fase — ou tentando pular direto da primeira para a terceira sem passar pela disciplina que a fase do meio deveria ensinar. Isso conecta diretamente com um padrão que a HAIA já via antes mesmo do hype atual: a governança de dados, não a tecnologia, é o obstáculo real para escalar IA — o mesmo obstáculo que já existia em 2011, só que hoje tem um nome mais específico.
O que é diferente desta vez — e o que a empresa média deveria fazer com essa diferença?
A diferença real entre 2011 e agora não é a inteligência artificial ter ficado “mais inteligente” — é a barreira de entrada ter praticamente desaparecido. Em 2011, qualquer automação de atendimento exigia orçamento de projeto formal, uma equipe técnica dedicada e meses de desenvolvimento. Hoje, uma pessoa do time de marketing testa uma ferramenta de IA generativa sozinha, numa tarde, sem passar por nenhuma aprovação — o que resolve o problema de acesso, mas cria um problema novo: o risco deixou de ser só “o projeto não sai do papel” e passou a incluir “a ferramenta já está em uso, sem ninguém ter decidido formalmente que ela poderia lidar com aquele dado”.
Para a empresa de médio porte, a lição prática de quem já viu esse roteiro se repetir várias vezes é simples de enunciar e difícil de seguir sob pressão de “todo mundo já está usando isso”: antes de aprovar qualquer ferramenta nova de IA, nomeie o processo específico que ela deveria melhorar, com uma métrica que já existia antes da ferramenta chegar. É o mesmo critério que usei sozinha, sem framework, em 2011 — só que hoje ele tem nome, tem método, e não precisa ser reinventado a cada ciclo de hype novo que aparece.
Perguntas frequentes
Quando a inteligência artificial realmente começou a ser usada nas empresas?
Muito antes do hype atual. Sistemas de automação com processamento de linguagem natural, mesmo limitado, já resolviam problemas reais de atendimento e processo desde o início dos anos 2010 — a diferença para hoje não é a existência da tecnologia, é a acessibilidade dela para qualquer empresa, sem orçamento de projeto dedicado.
O ciclo de hype de IA atual é diferente dos ciclos anteriores de tecnologia?
Em parte. O roteiro de entusiasmo, decepção e adoção real se repete como em qualquer ciclo anterior — CRM, mobile, cloud. O que é genuinamente novo é a barreira de entrada quase inexistente: qualquer pessoa testa uma ferramenta de IA generativa sozinha, o que acelera a adoção informal e aumenta o risco de uso sem governança.
O que uma empresa média deveria aprender com quem já passou por ciclos de hype de tecnologia antes?
Que o critério de decisão importa mais do que a tecnologia específica da vez. Nomear o processo que precisa melhorar, definir um responsável e medir o resultado antes de aprovar qualquer ferramenta nova é o que separa quem sai à frente de quem só participou do entusiasmo do momento.
Inteligência artificial conversacional de 2011 era a mesma coisa que os agentes de IA de hoje?
Não. Automação conversacional de 2011 operava com regras e reconhecimento limitado de linguagem, restrita a um conjunto definido de perguntas. Agentes de IA de hoje, baseados em modelos de linguagem, respondem perguntas fora de um roteiro pré-programado e podem executar ações com mais autonomia — o que resolve mais casos, mas também exige mais governança antes de dar autonomia a eles.
